Спочатку ми намагаємось констатувати природу проблеми, яку намагалися вирішити цими методами. Якщо проблема є простою, поліноміальною або NP завершеною, ми готові підключити алгоритми, які могли б дати детерміновану відповідь, шляхом простої рекомбінації аксіом за логічними правилами. Однак, якщо це не так, нам доведеться покладатися на метод міркування, в якому ми намагаємось трактувати проблему як неоднорідну та підключаємо її до мережі, причому вузли є оцінкою, а краї є шляхами між компонентами. .
У будь-якому виді мережевих міркувань ми не міркуємо дедуктивно, використовуючи абстрактні узагальнення та комбінації, відповідно до логічних правил у лінійному потоці, а працюємо над проблемою, заснованою на поширенні міркувань у різних напрямках, таким чином, що ми вирішуємо проблема один за одним вузлом, відкритий для вдосконалень щодо виявлення нових фактів, що стосуються будь-якого вузла в майбутньому. Тепер давайте подивимось, як кожна з цих методик підходить до цього способу вирішення проблем по-своєму.
Нейронна мережа:
Нейронна мережа - це чорна скринька, де вважають (ніколи не можна було перевірити ззовні системи), що з'єднання між вузлами простоти утворюються та підкреслюються повторними зовнішніми підкріпленнями. Він підходить до проблеми в парадигмі Connectionsitic . Проблема, ймовірно, вирішена, але пояснень мало. Нейронна сітка зараз широко використовується через її здатність давати швидкі результати, якщо проблему з поясненням не помітити.
Байєсська мережа:
Байєсівська мережа - це спрямований ациклічний графік, який більше нагадує блок-схему, лише те, що схема діаграми може мати циклічні петлі. Байєсівська мережа на відміну від блок-схеми може мати декілька початкових точок. Це, в основному, простежує поширення подій в декількох неоднозначних точках, де подія ймовірно розходиться між шляхами. Очевидно, що в будь-якій точці мережі вірогідність відвідування цього вузла залежить від спільної ймовірності попередніх вузлів. Байєсівська мережа відрізняється від Нейронної мережі тим, що вона є чіткими міркуваннями, хоча ймовірнісна і, отже, може мати декілька стабільних станів на основі кожного кроку, що переглядається та змінюється в межах юридичних значень, як і алгоритм. Це надійний спосіб міркувати ймовірнісно, але він включає кодування ймовірностей,
Дерева рішень:
Дерево рішень - це знову мережа, яка більше нагадує блок-схему, яка ближче до байєсівської мережі, ніж нейронної мережі. Кожен вузол має більше інтелекту, ніж нейронна сітка, і розгалуження може вирішуватися математичними або ймовірнісними оцінками. Рішення є простими оцінками, заснованими на частотному розподілі ймовірних подій, де рішення є ймовірним. Однак у байєсівських мережах рішення базується на розподілі "доказів", що вказує на подію, що сталася, а не на безпосередньому спостереженні за самою подією.
Приклад
Наприклад, якби ми передбачили переміщення тигрового тигра через деякі гімалайські села, які, можливо, знаходяться на краю якогось тигрового заповідника, ми могли б моделювати його за будь-яким підходом так:
У дереві рішень ми б покладалися на експертні оцінки, чи дасть тигр вибір між відкритими полями чи річками. У байєсівській мережі ми відстежуємо тигра за допомогою мопсів, але обґрунтовуємо таким чином, щоб визнати, що ці мопси могли бути такими, як тигр іншого подібного розміру, який регулярно патрулює його територію. Якщо ми хочемо використовувати нейронну мережу, нам доведеться неодноразово навчати модель, використовуючи різні поведінкові особливості тигра в цілому, такі як його перевага плавати, перевага критих ділянок над відкритими територіями, уникання людських житлових цілей, щоб дозвольте мережі взагалі міркувати про те, як може пройти тигр.